Shopee Code League 2021 Week I: Data Analytics Competition

Kompetisi yang ditunggu-tunggu akhirnya sudah dimulai. Shopee Code League 2021 mempertandingkan 3 kategori lomba:

1. Data Analytics,
2. Data Science, dan
3. Programming.

Ketiga kategori tersebut akan dilombakan pada pekan yang berbeda-beda. Pada giliran pertama di pekan ini (6 Maret 2021), Shopee memberikan masalah data analytics.

Bagaimana masalahnya?

Masalah

Customer service menjadi prioritas utama dan proses kritis bagi Shopee. Penting bagi Shopee untuk menyelesaikan setiap masalah customer dalam waktu singkat dan tidak membuat customer bolak-balik menghubungi Shopee.

Shopee menginginkan agar customer do less effort hingga masalahnya selesai. Oleh karena itu mereka menghitung suatu KPI yang disebut Repeat Contact Rate (RCR).

Customer bisa menghubungi Shopee melalui berbagai layanan seperti livechat, email, telepon, dan lainnya. Setiap layanan tersebut akan secara otomatis membuat ticket_id. Masalah muncul saat customer menggunakan berbagai layanan tersebut dengan informasi data diri berbeda-beda (email dan nomor telepon) untuk menyelesaikan masalah yang sama. Akibatnya muncul berbagai ticket_id padahal berasal dari customer dan masalah yang sama.

Jadi, bagaimana caranya agar kita bisa mengidentifikasi dari 500.000 ribu baris ticket_id, mana saja ticket_id yang sama?

Contoh Soal

Misalkan saya memiliki data contact sebagai berikut:

ticket_id	id	email	phone	order_id	contacts
A	0	Jhon@gmail.com	NA	1234	5
B	1	NA	682211	1234	2
C	34567	wick@gmail.com	682211	NA	4
D	78999	wick@gmail.com	NA	NA	3

Jika kita perhatikan secara seksama, sebenarnya semua ticket ini berasal dari satu customer yang sama.

• Ticket A dan B dihubungkan oleh order id yang sama.
• Ticket B dan C dihubungkan oleh phone yang sama.
• Ticket C dan D dihubungkan oleh email yang sama.

Oleh karena itu jika kita jumlahkan berapa banyak contacts yang terjadi di seluruh tikets, didapatkan untuk satu customer ini melakukan total 14 contacts.

Format jawaban yang diinginkan oleh Shopee untuk setiap baris customer adalah berbentuk ticket trace per id. Sebagai contoh, untuk baris pertama (id = 0), jawabannya adalah: 0-1-34567-78999,14.

Dataset yang Digunakan

Jadi persoalan pada pekan ini relatif simpel menurut saya. Hanya membuat algoritma matching, bukan membuat model machine learning. Lantas bagaimana dataset yang digunakan?

Shopee memberikan satu file berformat .json berisi 500.000 ticket_id. Berikut adalah isi file-nya jika saya baca dengan library(jsonlite).

## [[1]]
## [[1]]$Id
## [1] 0
## 
## [[1]]$Email
## [1] "gkzAbIy@qq.com"
## 
## [[1]]$Phone
## [1] ""
## 
## [[1]]$Contacts
## [1] 1
## 
## [[1]]$OrderId
## [1] ""
## 
## 
## [[2]]
## [[2]]$Id
## [1] 1
## 
## [[2]]$Email
## [1] ""
## 
## [[2]]$Phone
## [1] "329442681752"
## 
## [[2]]$Contacts
## [1] 4
## 
## [[2]]$OrderId
## [1] "vDDJJcxfLtSfkooPhbYnJdxov"
## 
## 
## [[3]]
## [[3]]$Id
## [1] 2
## 
## [[3]]$Email
## [1] ""
## 
## [[3]]$Phone
## [1] "9125983679"
## 
## [[3]]$Contacts
## [1] 0
## 
## [[3]]$OrderId
## [1] ""
## 
## 
## [[4]]
## [[4]]$Id
## [1] 3
## 
## [[4]]$Email
## [1] "mdllpYmE@gmail.com"
## 
## [[4]]$Phone
## [1] ""
## 
## [[4]]$Contacts
## [1] 0
## 
## [[4]]$OrderId
## [1] "bHquEnCbbsGLqllwryxPsNOxa"

Format .json menghasilkan struktur data berupa list di R.

Bagi saya, akan mudah mengerjakannya jika diubah dulu strukturnya menjadi dataframe. Hasilnya seperti ini:

id	email	phone	contact	order_id
0	gkzAbIy@qq.com		1
1		329442681752	4	vDDJJcxfLtSfkooPhbYnJdxov
2		9125983679	0
3	mdllpYmE@gmail.com		0	bHquEnCbbsGLqllwryxPsNOxa

Lantas bagaimana cara mengerjakannya?

Cara Mengerjakan

Sebenarnya untuk mengerjakannya saya hanya perlu melakukan data carpentry dengan prinsip tidyverse untuk melakukan hierarchical filtering based on: email, phone dan order_id.

Berbekal dplyr dan stringr saya membuat function sebagai berikut:

library(dplyr)
library(stringr)
cek = function(i){
  email_find = data_new$email[i]
  n_email_find = str_length(email_find)
  if(n_email_find > 0){
    d_1 = data_new %>% filter(email == email_find)
  } else(d_1 = data.frame())
  
  phone_find = data_new$phone[i]
  n_phone_find = str_length(phone_find)
  if(n_phone_find > 0){
    d_2 = data_new %>% filter(phone == phone_find)
  } else(d_2 = data.frame())
  
  order_id_find = data_new$order_id[i]
  n_order_id_find = str_length(order_id_find)
  if(n_order_id_find > 0){
    d_3 = data_new %>% filter(order_id == order_id_find)
  } else(d_3 = data.frame())
  
  final = rbind(d_1,d_2)
  final = rbind(final,d_3)
  final$ticket_id = i-1
  
  final = 
    final %>% 
    distinct %>%
    arrange(id) %>% 
    group_by(ticket_id) %>% 
    summarise(p1 = paste(id,collapse = "-"),
              p2 = sum(contact)) %>% 
    ungroup() %>% 
    mutate(`ticket_trace/contact` = paste(p1,p2,sep = ",")) %>% 
    select(-p1,-p2)
  
  return(final)
}

data_new merupakan hasil transformasi bentuk list ke dataframe dari data soal yang diberikan.

Hasil Perhitungan Saya

Oh iya, cara di atas hanya salah satu cara untuk menyelesaikan masalah ini. Feel free jika teman-teman memiliki cara lain yang memiliki performa yang lebih baik (runtime yang lebih cepat).

Berikut adalah sample dari jawaban saya:

ticket_id	ticket_trace/contact
0	0,1
1	1-2458-476346,5
2	2-348955,0
3	3,0
4	4,2
5	5-50,4
6	6-38-32871-142067,10
7	7,1
8	8-183160,5
9	9-13-343161,1
499989	388551-448689-499989,4
499990	204097-499990,2
499991	499991,0
499992	499992,2
499993	499993,4
499994	184208-499994,4
499995	499995,2
499996	499996,4
499997	499997,2
499998	121111-499998,5
499999	499999,0

Notes

Buat teman-teman yang berminat kerja di marketplace, percayalah bahwa masalah yang diberikan ini bisa melatih kemampuan berpikir dan problem solving Anda.

Saya dan tim tidak mengikuti kompetisi data analytics karena hanya komit untuk ikut kompetisi pada pekan depan (data science). Apalagi di Sabtu siang yang syahdu kemarin, Netflix begitu menggoda.

---

if you find this article helpful, support this blog by clicking the ads shown.